基于駕駛員腦電微狀態分析的草原公路交叉口交通設施組合研究

屈冉，蘇杭，李航天，戚春華

摘要：為解決典型草原公路交叉口交通標志組合設置現存問題，針對性優化交叉口交通工程設施組合設置。通過模擬試驗，采集40名駕駛員的腦電信號，聚類為5種（MS1—MS5）微狀態地形圖，并對駕駛員的反應時間和微狀態的持續時間、覆蓋率、出現頻率、轉換概率進行統計分析。試驗結果表明，在草原公路交叉口交通設施組合的認知過程中，駕駛員腦電微狀態中的默認網絡和背側注意網絡發揮主要作用；MS4的持續時間和MS1—MS3的轉換概率隨交通設施增多呈上升趨勢，可以作為評估駕駛員認知負荷的直接指標；微狀態指標和反應時趨勢分析發現在信息量等級C，即4種交通工程設施組合時駕駛員大腦狀態具有最佳表現，認知能力最強，負荷較小且反應最快。

關鍵詞：草原公路交叉口；交通工程設施；認知負荷；微狀態；量化模型

中圖分類號：U491.5+2文獻標識碼：A文章編號：1006-8023（2024）01-0207-08

Research on the Combination of Grassland Highway Intersection?Traffic Facilities Based on Driver's EEG Microstate Analysis

QU Ran， SU Hang， LI Hangtian， QI Chunhua

（College of Energy and Transportation Engineering， Inner Mongolia Agricultural University， Hohhot 010018， China）

Abstract：In order to solve the existing problem of the combination of traffic signs at typical grassland highway intersections， the combination setting of intersection traffic engineering facilities was optimized. Through simulation experiments， the electroencephalogram （EEG） signals of 40 drivers were collected， clustered into 5 （MS1—MS5） microstate topographic maps， and the reaction time and duration， coverage， frequency of occurrence and conversion probability of the drivers were statistically analyzed. The experimental results showed that the default network and the dorsal attention network in the driver's EEG microstate played a major role in the cognitive process of the combination of traffic facilities at the grassland highway intersection. The duration of MS4 and the conversion probability of MS1—MS3 increased with the increase of transportation facilities， which can be used as direct indicators to evaluate driver's cognitive load. Microstate indicators and reaction time trend analysis found that at the information level C， that was， the combination of four traffic engineering facilities， the driver's brain state had the best performance， the strongest cognitive ability， the smaller load and the fastest response.

Keywords：Grassland highway intersection; traffic engineering facilities; cognitive workload; microstate; quantify the model

0引言

相關調查研究發現，草原地區約50%的交通事故發生在道路交叉口附近[1]。交叉口作為交通流交匯點和道路關鍵控制節點，行車環境復雜、車輛行駛流線多變、沖突點多[2]。同時，草原公路線形單一、路側景觀單調、地形地貌變化小，駕駛員操作轉換頻率低，極易引發駕駛員精神疲勞，導致駕駛員注意力不集中，處理信息能力下降，致使交叉口成為草原公路交通安全重點風險區域。結合前期調查發現，草原公路小型平面交叉口數量多，間距密，交通設施設置不合理、連續性差[3-5]。因此，研究草原公路交叉口交通工程設施組合對駕駛員腦電信號的影響，對深入探究駕駛員認知機理和負荷能力，進而提高交通設施設置合理性和交叉口安全水平有重要意義。

腦電微狀態是大腦全局功能狀態的瞬時表征，可以反映腦網絡的整體變化，已經成為近年來國際上常用的認知和心理評估手段。傳統的腦電分析方法中，研究者通常通過對α、β波等特定腦電波的時域、頻域進行研究，探討駕駛員的腦力負荷[6]；或針對N200、P300等認知電位成分研究駕駛員的認知能力[7]。其雖然具有時間分辨率高、便攜性好等優點，但包含的空間信息較少，易受到環境干擾。微狀態分析則能在一定程度上彌補腦電微狀態（electroencephalogram，EEG）在識別空間分辨率和分析大規模腦網絡變化方面的不足。Muthukrishnan 等[8]和Kim等[9]通過視覺空間工作記憶任務和心算任務比較了腦電微狀態在不同任務負荷下的區別，探究了大腦工作記憶的機理；D'Croz-Baron等[10]設計了聽覺和視覺任務進行感官刺激，以研究大腦不同狀態下微狀態的改變；Krylova等[11]使用腦電微狀態區分了不同負荷任務下被試的警戒水平。 隨著腦科學與交通系統的交叉融合，腦電微狀態逐漸開始在交通領域應用。李文斌等[12]和周凌霄等[13]通過模擬試驗得到駕駛員腦電微狀態指標，進而評估了駕駛員腦力負荷。

綜上所述，國內外學者針對交叉口交通工程設施已進行了大量研究，在運用腦電微狀態研究腦認知與腦負荷等領域也取得了一定的進展，但基于腦電微狀態進行的草原公路交叉口交通設施組合設置研究尚處于起步階段。鑒于此，通過開展模擬試驗，搭建典型草原公路交叉口場景，設置不同組合的交通工程設施，分析不同組合對駕駛員腦電微狀態指標的影響規律，結合反應時間，探究適宜的交通工程設施組合，為草原公路交叉口交通工程設施設置和道路交通系統安全提供理論依據和實踐建議。

1模擬試驗設計

駕駛人在實際道路駕駛過程中，容易受到環境中各種干擾因素的影響，而產生其他腦電偽跡。駕駛模擬器不僅可以很好控制外部因素的影響，同時能夠保證試驗安全、適合大樣本量試驗。課題組前期相關研究也驗證了模擬駕駛試驗研究的有效性[4，14]，滿足本研究的需要，因而采用虛擬駕駛模擬平臺開展試驗。

1.1試驗人員

調查發現，18～25歲為事故高發年齡區間[15]，且長途駕駛員多為男性。數理統計簡單隨機抽樣中樣本量的計算公式如下。

n≥Z2S2Dd2 。（1）

式中：n為試驗所需樣本量；Z為某一置信水平的Z統計量，在95%置信水平下，Z=1.960；SD為駕駛員各指標的總體標準差，SD=0.629；d為駕駛員各指標的允許誤差，d=0.040。

根據式（1）計算，至少需要38名被試人員。結合試驗需要，最終選取40名青年駕駛員作為試驗人員，其中男性25名，女性15名。要求被試人員試驗前身心狀態良好，視力或矯正視力正常且持有駕駛證，具有法定駕駛資質。

1.2試驗設備

模擬駕駛系統結合E-Prime軟件提供盡可能真實的道路環境，呈現交通標志組合作為刺激材料。腦電采集設備為32導聯BrainAmp型設備，如圖1（a）所示。對采集到的腦電數據使用開源工具箱 EEGLAB進行分析處理，操作界面如圖1（b）所示。

1.3交通設施組合選擇

經過對內蒙古地區典型一、二級草原公路的調查發現，小型平面交叉口占絕大多數，其前置的交通工程設施主要包括指路標志、交叉口警告標志、禁令標志、地面誘導線以及紅白警示樁等。結合課題組前期對草原公路交通工程設施的研究[3-5]，將交叉口常見的交通工程設施組合按照交通工程設施種類數量[4]劃分成4個信息量等級，見表1。

1.4試驗流程

模擬試驗分2個階段， 1）練習試驗，連接腦電設備后告知試驗人員試驗目的與任務，進行約5 min的練習，了解操作內容和程序; 2）正式試驗，練習完成后保持一段靜息狀態，關閉手機、車內空調等電子設備，避免干擾。運行E-Prime軟件，屏幕中間呈現注視點1 000 ms，后以7 500 ms為時間窗[16-17]隨機播放不同信息量的交通標志組合方案，被試認讀信息完成后做出按鍵反應，全程記錄腦電數據和被試按鍵時間。

2結果與分析

2.1微狀態聚類

腦電微狀態分析方法是基于腦電地形圖分類進行的。為提高分析的精度，設置了多種腦電微狀態分類模式，進行對比選擇，如圖2（a）所示。由圖2（b）可知，經過聚類指標的分析，微狀態全局解釋方差（Global Explained Variance， GEV）和交叉驗證標準（Cross-Validation Criterion， CV）在腦電地形圖聚為5類時具有最佳表現，既能代表大多數腦電信號，殘余噪聲又最少。最終將駕駛員腦電信號分為5種微狀態地形圖（MS1—MS5）。腦源分析[18]研究表明腦電微狀態與功能系統存在對照關系，微狀態MS1與聽覺網絡和語音處理有關；MS2在前額葉和后枕葉電勢較高，是默認模式網絡的一部分，默認模式網絡是一個任務負性網絡，隨著認知任務難度的增加而減少活動，而在注意力降低時變得活躍；微狀態MS3與視覺網絡有關，反映了視覺意象型活動；MS4與背側注意網絡相關，可以反映注意力增加、認知控制能力、焦點轉換和重新定位的反射性；MS5則常在任務微狀態研究中出現[19-20]。

2.2指標分析

微狀態時間序列映射著豐富的神經信息和生理學意義，其中平均持續時間、覆蓋率、發生頻率和轉換概率常被用于描述大腦認知過程、反應任務完成情況和評估腦力負荷[6]。采用EEGLAB軟件提取上述5個微狀態在不同信息量等級組合下的平均持續時間、覆蓋率、發生頻率和轉換概率，進行對比分析，探究不同交通工程設施的組合對駕駛員腦電微狀態指標的影響差異。

2.2.1持續時間分析

將微狀態在相對穩定狀態下維持的平均時間稱為持續時間，反映了微狀態對應是功能網絡及該網絡底層神經組件的穩定性。由圖3可知，無論何種等級的組合認知任務下，微狀態MS2與MS4（即默認模式網絡和背側注意網絡）的持續時間跟其他3種相比較處于較高水平，說明在認知任務中默認模式網絡和背側注意網絡在大腦動態中發揮主導作用，活動較為穩定，這與以往的認知任務研究相符合。在交叉口工程設施組合信息量水平達到C、D等級時，MS4顯著上升，駕駛員的注意力更加集中，MS2持續時間則縮短，在D等級時甚至低于MS5，這是任務難度增加、默認網絡不穩定的表現。MS4的平均持續時間超過MS2，即在此信息量水平下，注意網絡相較于默認網絡達到了更為穩定的狀態，駕駛員注意力較為集中，認知能力較強。

對5種微狀態的持續時間進行單因素方差分析，其中MS4和MS5方差不齊，需要進行韋爾奇檢驗。結果表明，微狀態MS4在不同交通設施組合信息量等級下持續時間具有顯著性差異（P<0.05），其余4種微狀態在組間和事后多重檢驗中均沒有顯著性表現。

微觀狀態 MS4腦全局瞬時高電勢位于頂葉和枕葉，與背側注意網絡相關，其持續時間的延長說明在負荷增大狀態下，更多的注意力資源被調動，從而導致微狀態MS4的時間參數增加，這與心算任務[21]、推理任務[22]等任務態研究對微狀態變化的探索分析一致。可以推定MS4的持續時間與認知負荷呈正相關關系，能夠表征駕駛員認知負荷的增加。而在信息量等級為A、B水平時，MS4微狀態持續時間較短，注意功能網絡相對不太穩定，可能將導致對交通設施組合認知判斷處理過程較早結束，這種情況在整個任務完成過程中重復性、間歇性地進行，微狀態的總體平均時間就會出現顯著差異，導致背側注意網絡在認知過程中維持時間較短，從而難以迅速、準確地對交叉口交通設施組合完成認知和判斷，影響行車安全。

2.2.2發生頻率分析

發生頻率指某一微狀態出現并保持穩定期間平均每秒的出現次數，反映了其底層神經發生器被激活的趨勢，如圖4所示。

由圖4可知，微狀態MS2和MS4的發生頻率相較于其他3種微狀態來說較高，說明交通設施組合的認知任務當中，背側注意網絡和默認模式網絡不斷被激活。MS2作為任務負性網絡，其發生頻率整體隨交通工程設施組合信息量等級增高而出現下降趨勢，但在C等級信息量出現波動，說明C等級的交通工程設施組合信息量較為符合人體工程學，駕駛員感到輕松時出現了認知負荷的下降。而對于微狀態MS4而言，在信息量等級B的出現頻次高于等級A，但隨后在等級C、D出現下降趨勢，這與Kim等[10]的研究：表現良好的受試者在任務期間微狀態 MS3 的平均持續時間和頻率減少，微狀態 MS4的平均持續時間和頻率增高，表明微狀態特征可以反映任務完成情況這個結果相悖。但也有研究認為[16]，微狀態 MS4作為背側注意網絡，其發生頻率反映著工作記憶功能被激活的趨勢，發生頻率呈現上升趨勢說明完成相應認知加工過程需要重復更多次，也就是說任務完成更為困難。結合本研究實際情況考量，認為信息量等級B—D微狀態MS4的出現頻次呈現下降趨勢有2個主要原因。首先是在交通工程設施種類增多的情況下，駕駛員分配了更多的腦力給視覺系統，而交通標志之間的配合和關聯性使駕駛員能夠更輕松地理解其指引含義從而做出處理、判斷和操作，不必對大腦的額葉與頂葉的認知記憶功能反復激活；其次，由上節可知MS4的持續時間較其他微狀態來說更長、更具穩定性，這可能導致了每秒內其出現次數的下降。

2.2.3覆蓋率分析

計算整個試驗分析期間每個微狀態覆蓋的總時間占比，即覆蓋率，能夠更為直觀地看出認知任務中不同功能網絡的變化，對駕駛員的腦網絡狀態進行監測和評估。結合微狀態持續時間和出現頻次的研究，可以總結出駕駛員的腦電微狀態覆蓋趨勢，其示意圖如圖5所示。

由圖5中可知，隨著交叉口交通工程設施組合信息量等級的增加，駕駛人認知網絡MS4所占用的資源也有所增加，而聽覺微狀態MS1所占用的資源卻在減少。默認網絡映射的微狀態MS2從信息量等級B到信息量等級C的變化顯示出輕微的上升趨勢，其余階段一直處于下降狀態。微狀態MS3和MS5則是在信息量等級B到信息量等級C出現小幅下降，在其余階段呈現上升趨勢。

通過分析可以看出，隨著認知負荷任務的加強，駕駛人的大腦注意能力將持續增強，積極參與操縱和保持注意力，以控制其行為進而實現安全駕駛，這與國內外學者的以往研究一致[18]。然而由于認知任務的進展，隨著信息量增大，認知負荷程度的加深，聽覺網絡資源的減少意味著對外部聲音環境的關注呈下降趨勢，但是視覺微狀態占用了更多的資源，并且需要更多的精力用于視認任務的處理。默認網絡微狀態MS2和MS5覆蓋率的波動說明了駕駛員腦力分配的復雜性，其認知能力并不與信息量負荷絕對線性相關。

2.2.4轉換概率分析

從一個微狀態轉換到其他任何微狀態的概率都不是隨機的，因此微狀態之間的轉換序列具有重要的神經生理學意義[6]。對在不同信息量等級下的微狀態轉換概率進行方差分析，其中MS1與MS3之間的相互轉換率和MS2至MS1、MS5至MS4的轉換概率方差不齊，采用非參數檢驗進行分析。組間比較發現，信息量等級A—D的MS1—MS3的轉換率存在顯著性差異（P＜0.05），可用作交通工程設施組合信息量差異的評價指標。

進一步對其具體含義進行分析，MS1代表聽覺網絡，MS3代表視覺網絡，MS1—MS3的單側轉換概率表示腦力分配由聽覺系統轉換至視覺系統。由圖6可知，MS1—MS3的轉換概率隨交叉口交通工程設施組合信息量等級的升高而升高，但在等級C—D幅度較大，說明交通設施組合的信息量在這2個等級之間變化時，駕駛員視認負荷受到較大影響。另外，組內分析表明，在交通工程設施組合認知任務下，MS2和MS4之間的轉換概率與其他微狀態相比較為頻繁，兩者轉換概率數值之和在信息量等級C時達到峰值，在信息量等級D時出現輕微下降。有研究發現[15]，二者相互轉換率與任務完成程度正相關， 也就是說，在C等級時，駕駛員對交通設施組合的認知任務具有最高的完成度，而達到D等級時，交通設施個數增多，信息量增大，駕駛員的認知完成比例有所下降。

2.2.5討論

對上述指標總結分析，腦電微狀態MS2（默認網絡）與MS4（背側注意網絡）的相關指標均處于較高水平，默認網絡和背側注意網絡在交叉口交通設施組合的認知任務中始終發揮主導作用。持續時間和覆蓋率的研究結果表明，A、B等級下的交通設施組合信息量過少，對駕駛員腦狀態刺激較小，認知功能網絡持續時間較短，覆蓋率較低，使駕駛員不能及時地、完整地理解交叉口交通設施組合所傳達的含義。在C、D等級的組合刺激下，駕駛員背側注意網絡的持續時間和覆蓋率超過默認網絡，認知功能網絡相對活躍，信息處理能力上升。發生頻率和轉換概率的相關結果則表明，在處理C等級的交通設施組合時，駕駛員任務負性網絡發生頻率較高，即認知難度相對較小，MS2與MS4相互轉換概率達到峰值，信息處理能力和任務完成度最高。相較于C等級而言，D等級時駕駛員的默認網絡發生頻率和轉換概率出現下降趨勢，即信息量較大導致駕駛員大腦負荷水平高，認知能力降低。綜合分析表明，在C等級交通設施組合時，駕駛員腦電微狀態指標表現最佳，為草原公路交叉口交通設施最佳的設置組合。

2.3反應時間分析

反應時間是指從交通設施組合出現到駕駛員進行認讀，完成按鍵行為所產生的時間間隔。反應時間是一個綜合性指標，能夠更加直觀地表征駕駛員認知完成情況，反映駕駛員認知能力和負荷水平。反應時間在實際應用中起著重要作用，部分交通事故發生的原因就是駕駛人的反應時間不夠，來不及判斷、操作。反應時間與腦電信號的聯合應用是一種被廣泛應用的認知任務評價方法[23]。對駕駛員的反應時間以不同組合信息量等級為因子進行單因素方差分析，發現組間存在顯著性差異（P<0.01），說明反應時間可以作為表征信息量變化的指標。

由圖7可知，駕駛員的反應時間隨交通設施組合信息量等級的升高呈U形變化，從A到C等級逐漸降低，在D等級出現了上升趨勢。交通設施組合提供的信息量過少或過多時，駕駛員都需要耗費更長時間來處理判斷、做出反應。這也驗證了駕駛員腦電微狀態指標在C等級交通設施組合表現最好，認知功能網絡發揮最佳效用，且負荷較小。即C等級為建議交通設施組合信息量。

3結論

1）將交叉口交通工程設施組合作為一個整體進行研究，分析不同信息等級下駕駛員的腦電微狀態指標，發現在組合認知任務中微狀態MS2和MS4始終占據主導地位，默認網絡和注意網絡發揮主要作用。

2）對微狀態指標持續時間、覆蓋率、發生頻次和轉換概率進行統計分析，發現MS4的持續時間和MS1—MS3的轉換概率隨交通設施種類的增加而呈現上升趨勢，可以作為駕駛員認知負荷評價的直接依據指標。

3）對微狀態指標和反應時間進行趨勢觀察和對比分析。結果表明，在交叉口交通工程設施組合信息量等級為C，即設施種類為4種時，駕駛員的腦電微狀態指標具有最佳表現，為適宜信息量。為草原地區相關部門進一步優化交叉口交通工程設施組合設置提供了理論依據。

【參考文獻】

[1]宮希良.內蒙古一級公路交通安全分析與評價研究[D].西安：長安大學，2009.

GONG X L. Analysis and evaluation of first-class highway traffic safety in Inner Mongolia[D]. Xi'an： Chang'an University， 2009.

[2]宗芳，石蕊，劉懌軒，等.信號交叉口行車風險場建立及車輛通行行為優化[J].中國公路學報，2022，35（10）：244-253.

ZONG F， SHI R， LIU Y X， et al. Construction of risk field and optimization of driving behaviors for signalized intersections[J]. China Journal of Highway and Transport， 2022， 35（10）：244-253.

[3]李航天，楊鋒，朱守林，等.草原公路直線段交通工程設施信息量對駕駛員心率變異性的影響研究[J].森林工程，2022，38（6）：172-178.

LI H T， YANG F， ZHU S L， et al. Study on influences of traffic engineering facilities information quantity on drivers HRV in straight section of grassland highway[J]. Forest Engineering， 2022， 38（6）：172-178.

[4]王笑男.基于駕駛員腦認知特性的草原公路交叉口交通標志組合研究[D].呼和浩特：內蒙古農業大學，2021.

WANG X N. Based on drivers' brain cognitive features of prairie highway intersection traffic signs combination study[D]. Hohhot： Inner Mongolia Agricultural University， 2021.

[5]韓磊，朱守林，高明星，等.注視熵和馬爾科夫鏈的彎道誘導設施信息量研究[J].中國安全科學學報，2020，30（8）：122-128.

HAN L， ZHU S L， GAO M X， et al. Research on information volume of guidance facilities on bends based on gaze entropy and Markov chain[J]. China Safety Science Journal， 2020， 30（8）：122-128.

[6]許子明，牛一帆，溫旭云，等.基于腦電信號的認知負荷評估綜述[J].航天醫學與醫學工程，2021，34（4）：339-348.

XU Z M， NIU Y F， WEN X Y， et al. A review of cognitive workload assessment based on EEG[J]. Aerospace Medicine and Medical Engineering， 2021， 34（4）：339-348.

[7]CALCAGNO A， COELLI S， COUCEIRO R， et al. EEG monitoring during software development[C]//2020 IEEE 20th Mediterranean Electrotechnical Conference （MELECON）. Palermo， Italy： IEEE， 2020：325-329.

[8]MUTHUKRISHNAN S P， AHUJA N， MEHTA N， et al. Functional brain microstate predicts the outcome in a visuospatial working memory task [J]. Behavioural Brain Research， 2016， 314（1）： 134-142.

[9]KIM K， DUC N T， CHOI M， et al. EEG microstate features according to performance on a mental arithmetic task [J]. Scientific Reports， 2021， 11（1）： 343.

[10]D'CROZ-BARON D F， BRECHET L， BAKER M， et al. Auditory and visual tasks influence the temporal dynamics of EEG microstates during post-encoding rest[J]. Brain Topography， 2021， 34（1）： 19-28.

[11]KRYLOVA M， ALIZADEH S， IZYUROV I， et al. Evidence for modulation of EEG microstate sequence by vigilance level[J]. NeuroImage， 2021， 224（1）：117393.

[12]李文斌，康陽，謝小萍，等.基于腦電微狀態分析的模擬飛行多任務腦力負荷敏感性研究[J].載人航天，2022，28（1）：55-62.

LI W B， KANG Y， XIE X P， et al. Study on mental workload sensitivity during multitasking in simulated flight based on EEG microstate analysis[J]. Manned Astronautics， 2022， 28（1）： 55-62.

[13]周凌霄，丁一琦，戴淵明，等.基于腦電“微狀態”的駕駛員腦負荷研究[J].杭州電子科技大學學報，2014，34（4）：23-26.

ZHOU L X， DING Y Q， DAI Y M， et al. Research on driver brain load based on EEG 'microstate'[J]. Journal of Hangzhou Dianzi University， 2014， 34（4）：23-26.

[14]戚春華，王笑男，朱守林，等．基于駕駛員視覺興趣區域的交通工程設施信息量閾值研究[J].重慶交通大學學報（自然科學版），2021，40（7）：53-60.

QI C H， WANG X N， ZHU S L， et al. Traffic engineering facility information threshold based on driver's visual area of interest [J]. Journal of Chongqing Jiaotong University （Natural Science）， 2021， 40（7）：53-60.

[15]徐鑫.我國道路交通事故規律特點及預防對策分析[J].中國安全科學學報，2013，23（11）：120.

XU X. Analysis of road traffic accidents in China and measures to prevent them[J]. China Safety Science Journal， 2013， 23（11）：120.

[16]馬永杰.基于駕駛員視認特性的匝道分流連接部平面線形指標及地點方向信息預告設置研究[D].西安：長安大學，2019.

MA Y J. Study on plane line and location direction advanced information setting of ramp junction based on analysis of driver's visual identity[D]. Xi'an： Chang'an University， 2019.

[17]程盛，毛阿立，李婷，等.高速公路BIM正向設計技術體系研究及應用實例[J].公路工程，2023，48（4）：91-97.

CHENG S， MAO A L， LI T， et al. Research and application example of expressway BIM forward design technology system[J]. Highway Engineering， 2023， 48（4）： 91-97.

[18]BRITZ J， VAN DE VILLE D， Michel C M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics[J]. Neuroimage， 2010， 52（4）： 1162-1170.

[19]楊雄.EEG時序特征選取及其腦網絡構建與分析[D].太原：太原理工大學，2019.

YANG X. EEG timing feature selection and its brain network construction and analysis[D]. Taiyuan： Taiyuan University of Technology， 2019.

[20]張衛華，陶虎，陳乾.城市快速路互通立交分流區交通沖突預測模型[J].公路工程，2022，47（1）：149-155.

ZHANG W H， TAO H， CHEN Q. The predicting model of traffic conflicts in diverging segments of expressway interchange[J]. Highway Engineering， 2022， 47（1）：149-155.

[21]POSKANZER C， DENIS D， HERRICK A， et al. Using EEG microstates to examine post-encoding quiet rest and subsequent word-pair memory[J]. Neurobiology of Learning and Memory， 2020， 181：107424.

[22]BRECHET L， BRUNET D， BIROT G， et al. Capturing the spatiotemporal dynamics of self-generated， task-initiated thoughts with EEG and fMRI[J]. Neuroimage， 2019， 194： 82-92．

[23] MAGNUSON J R， IAROCCI G， DOESBURG S M， et al. Increased intrasubject variability of reaction times and single-trial event-related potential components in children with autism spectrum disorder[J]. Autism Research， 2020， 13（2）： 221-229.